MoVeHo

Werkzeuge sind in der spanenden Fertigung von zentraler Bedeutung für die Produktivität und die Fertigungskosten. Die Maximierung der Werkzeugstandzeit steht daher im Fokus der Werkzeugentwicklung, insbesondere bei der Hochleistungszerspanung. Dabei steht der Einsatz von Hartstoffschichten und Schichtsystemen zur Optimierung des Eigenschaftsprofils der Werkzeuge im Vordergrund. Trotz der Vielfalt der eingesetzten Werkzeugbeschichtungen gibt es noch erhebliche Defizite im Verständnis der zugrunde liegenden Verschleißmechanismen. Um diese Defizite abzubauen, wird ein neuartiges Greybox-Modell für den Prozess des Hochleistungsdrehens entwickelt. Das Modell kombiniert komplementäre Methoden zur Werkzeugverschleißbestimmung (wissens- und datenbasierte Modelle) und nutzt bisher nicht berücksichtigte Datenquellen aus prozessbegleitenden Messungen für die Verschleißuntersuchung.

Für das Training des datenbasierten neuronalen Netzes müssen die Verschleißparameter des Zerspanungswerkzeugs im Arbeitsraum eines Bearbeitungsprozesses ermittelt werden. Dazu sind in-situ-Messmethoden für die Werkzeuggeometrie und die Schichtdicke erforderlich. Im Projekt MoVeHo werden optische Messverfahren untersucht, die den Zerspanungsprozess nicht beeinflussen, eine gute Zugänglichkeit ohne räumliche Einschränkung des Prozesses ermöglichen und hohe räumliche und zeitliche Auflösungen bieten.

Eine frühere Studie hat gezeigt, dass die photothermische Radiometrie für quantitative Dickenmessungen der Nitridschicht unter prozessbegleitenden Bedingungen in einem industriellen Nitrierofen geeignet ist. In MoVeHo wird das Signalmodell von Einschicht- auf Mehrschichtsysteme erweitert. Darüber hinaus wird ein Laserlinien-Triangulationssensor zur Messung der Werkzeuggeometrie eingesetzt. Beide Sensorsysteme werden dann an einem 6-achsigen Industrieroboter in der Drehmaschine montiert, um bei zahlreichen Werkzeugverschleißversuchen eine umfangreiche Datenbasis für das Training der Blackbox-Modellkomponente als Teil des Greybox-Modells zu sammeln.